Agent评测不应仅看分数，需关注生产落地。应拆解错误环节（如任务理解、工具选择），贴近真实链路，考虑权限、审计、成本。普通团队可从小规模固定用例和失败样本入手，将Agent视为新服务接入，需有灰度、监控、限流。最终目标是可接管性，确保人能在出错时介入，积累失败样本以持续改进。